自动驾驶在高精定位地图上的技术难点与挑战

分享嘉宾：王维 智加科技 技术专家

编辑整理：康越

内容来源：DataFunTalk

出品平台：智加科技、DataFun

注：欢迎转载，转载请留言。

导读：高精地图和定位是自动驾驶系统中的重要基础模块，地图的质量和定位的结果会直接影响其它模块的功能，进而决定整个自动驾驶系统的好坏。本次分享将介绍智加科技在高精地图和定位领域的探索。

▌高精地图技术

相较于普通的电子导航地图，高精地图拥有更高的坐标精度与更丰富的交通信息元素。

高精地图分为高精拓扑地图和高精点云地图。在上图中，上面两张地图是高精拓扑地图，可以看出，它包含了车道线中心和车道线边线的几何形状，用一句话来总结，高精地图就是：车道级别、厘米精度的道路网络和交通信息地图；下面两张地图是高精点云地图，它使用稠密的点云来模拟现实车道环境，并通过标签来标记特殊点云，反映特殊道路标识等。接下来，我们将分别讲解两种地图技术，以及高精地图技术的优势和生成过程。

1. 高精拓扑地图

高精拓扑地图与传统导航地图的区别如上图。由于人脑拥有强大的计算和规划能力，传统导航地图的精度和功能对我们完全足够，但对于电脑操纵的无人驾驶车辆，就需要更高的精度。

高精拓扑地图包含的主要元素有：

• 厘米级车道边线和中心线几何信息

• 车道线类型（白虚线/白实线/黄虚线/黄实线）

• 车道线类（高速/城市道路/自行车道）

• 车道连接信息（前续和后续车道）

• 车道邻接信息（左车道/右车道/分叉车道/并道车道）

• 交通信息（红绿灯/限速）

• ...

2. 高精点云地图

高精点云地图的原理，是使用大量包含道路信息的点组成稠密的点云，模拟出道路环境，如下图：

对于一些特殊的道路标识（例如红绿灯、指示牌等），会给对应的点打上特殊的label（标签）来表示，如下图：

3. 为什么使用高精地图

高精地图是感知、预测、规划和定位等模块的基础，好的高精地图能让这些模块变得更加智能。

① 感知模块

红绿灯识别、车道线识别和障碍物识别是感知模块的三个基本任务。在红绿灯识别任务中，有了高精地图，感知模块只用在当前车道前方有红绿灯的时候才用深度学习去识别，这样一方面可以节省资源占用，另一方面减少了红绿灯的误报漏报；在车道线识别任务中，高精地图能够提供车道数、车道宽度等丰富的信息，帮助车道线识别做的更好；在障碍物识别任务中，高精地图可以辅助更加精确地识别当前车道前方障碍，比如前方车辆，这对于车辆ACC功能（自适应巡航控制）有很大帮助。

② 预测模块

高精地图也可以辅助对道路上其他车辆的轨迹预测，例如如果前方某辆车行驶在实线车道内，可以预测该车辆的变道可能性很小；如果前方车辆行驶在最右侧车道，且前方有高速出口，可以预测车辆有可能驶出高速等。

③ 规划模块

通过高精地图反馈的车道线信息、限速信息、车辆当前位置、坡度信息等，可以实现对车辆行驶速度、变道轨迹、节油驾驶等的规划。

④ 定位模块

高精定位模块更多运用于高精点云地图，如上图，白色的部分为离线生成的点云地图，蓝色的部分为实时采集的车辆行驶位置数据，通过将二者相匹配，实现对车辆更加精准的定位。

4. 高精地图的生成

生成高精地图的过程需要采集大量的数据，我们的采集途径包括：GNSS（全球导航卫星系统）、IMU（惯性测量单元）、轮速计、激光雷达点云以及摄像头图像。其中，GNSS可以提供车辆的绝对坐标，IMU和轮速计可以提供车辆的相对位置信息，激光雷达点云和摄像头可以提供车辆周围的三维环境信息。

数据采集完毕后，需要对数据进行预处理，包括数据抽取、时间对齐、图像去畸变和点云去畸变等过程。时间对齐可以将所有所得数据统一到同一时刻，进行数据融合；图像去畸变可以减少图像本身的伸缩和旋转，使图像数据更加精准；点云去畸变可以减少激光雷达转动带来的误差。

之后，利用深度学习的方法对数据进行语义信息提取，提取信息包括地面、车道线、红绿灯、道路标牌、电线杆和车辆等信息，如下图：

提取完毕后，需要对每一帧的点云数据进行位姿优化，使叠加后的点云数据更准确。优化过程主要基于SLAM-Based Bundle Adjustment，首先，明确优化目标，包括每一帧的位姿信息，车辆的位置和朝向等；之后，需要定义优化的约束，将优化后数据与原数据差距、相邻帧重投影误差等控制在较小范围内；最后，使用梯度下降、LM算法等进行求解。

优化后，即可进行点云叠加，生成高精点云地图。

在高精点云地图的基础上，还可以通过建立好的车道线模型，自动生成高精拓扑地图。

最后，为了提高地图的实用性，需要进行人工验证，为地图增加车道线和道路分隔线等。

5. 高精地图面临的挑战

高精地图的生成过程中，由于道路情况千差万别，会带来很多困难和挑战，例如长隧道的生成。

上图中，左图是一张长隧道的道路图像，在隧道中，GNSS信号较弱，驶出隧道时，GNSS信号也会有很大的跳变，所以，收集的数据会有很大的误差。中间的图是位姿优化后的轨迹。右图是隧道出口和内部的点云地图。

▌高精定位技术

在自动驾驶的过程中，高精定位需要满足高精度、高频低延迟、高可用性、高可靠性的要求。目前使用的高精定位方法有：卫星定位、高精地图定位和融合定位的方法，接下来将分别介绍这三种方法的实现和特点。

1. 卫星定位

卫星定位算法的原理是：在车辆行驶的某一位置，可以接受到各个卫星的信号，通过对该位置和各个卫星之间距离的解算，就可以得到该位置的坐标。但是，在收集卫星信号的过程中，会受到电离层和对流层的影响，产生时延等误差，导致米级别的定位误差。为了将误差缩小，需要利用RTK载波相位差分技术进行定位修正，即通过寻找离当前位置较近的、已知精确位置基站，通过接受基站数据，对卫星数据进行修正。

卫星定位算法利用的是实时信号， 具有开阔场景厘米级别精度、开阔场景精准定向等优点，但对周围环境要求较高，对RTK信号依赖较大。

2. 高精地图定位

高精地图定位的原理如上图，对于离线地图，将其转变为瓦片地图，提取车辆所在位置周围的地图信息并进行体素化，转变为离散化的体素地图；对于车辆行驶过程中收集的在线点云数据，对其特征提取之后进行离散化。最后，通过对离线数据和在线数据的匹配，生成定位结果。

高精地图定位不依赖卫星信号，精度较高，但是具有依赖高精地图质量、依赖车辆周围环境等局限。

3. 融合定位

为了使高精定位满足高精度、高频低延迟、高可用性、高可靠性的要求，我们将以上两种定位方法融合使用，产生了融合定位算法。在融合定位算法中，需要同时接收卫星定位结果、高精地图定位结果、IMU数据和轮速计数据，进行融合定位和融合测距。

融合过程利用了两种方法：EKF ( Extended Kalman Filter ) 和 ESKF ( error-state Kalman Filter )。融合定位分为预测和更新两个步骤：在收到传感器数据前，使用离线信息对车辆位置进行预测，接收数据后，利用在线数据进行定位修整。

4. 高精定位面临的挑战

在实际的行驶过程中，可能会遇到一些特殊情况，如下图：

道路附近树木或高楼会对卫星信号产生一定程度的遮挡，使卫星定位产生误差，而堵车情况导致的行驶环境，又会使离线抽取的环境地图产生误差。在这种情况下，卫星定位结果和高精地图定位结果都不准确。如何解决这类特殊情况，就是高精定位过程中面临的困难和挑战。

今天的分享就到这里，谢谢大家。

PS：欢迎加入DataFunTalk自动驾驶交流群，跟同行零距离交流。如想进群，请加逃课儿同学的微信 ( 微信号：DataFunTalker )，回复：自动驾驶，逃课儿会自动拉你进群。

分享嘉宾

▬

王维

智加科技 | 技术专家

友情推荐：

智加科技多岗位热招中，关注“智加科技AI”，即刻投递简历：

——END——

文章推荐：

自动驾驶重卡量产之路：技术架构的挑战

深度学习技术在自动驾驶中的应用与挑战

自动驾驶感知技术的实践与探索

自动驾驶重卡在规划和控制中的技术难点与挑战

推荐关注：

识别下方二维码，关注 "DataFunTalk" 并设置成☆星标，第一时间，查看最新干货文章。

DataFunTalk：专注于大数据、人工智能技术应用的分享与交流。

一个在看，一段时光！👇